Doccano 修复 spacy.gold 的bug

引言

最初只是想把Doccano标注的数据集转换成BIO(类似conll2003数据集)的标注格式；

按照PR的修改意见实现了修改，但是本人不建议这么做；
应该随着Doccano的升级，Doccano的导出格式发生了变化，而原来的doccano-transformer还停留在2022年

建议参考这篇文章：Doccano的标注结果转换为BIO格式
若上述文章已经可解决问题，无需继续往下阅读。

摘要

可先阅读一下教程：【已解决】关于如何将Doccano标注的文本转换成NER模型可以直接处理的CoNLL 2003格式
装包:pip install doccano-transformer

报错信息

运行下述程序后，会报错

from doccano_transformer.datasets import NERDataset
from doccano_transformer.utils import read_jsonl
 
dataset = read_jsonl(filepath='NER.jsonl', dataset=NERDataset, encoding='utf-8')
gen=dataset.to_conll2003(tokenizer=str.split)
 
file_name="CoNLL.txt"
 
with open(file_name, "w", encoding = "utf-8") as file:
    for item in gen:
        file.write(item["data"] + "\n")

报错信息如下：

l In[18], line 1
----> 1 from doccano_transformer.datasets import NERDataset
      2 from doccano_transformer.utils import read_jsonl

File ~/anaconda3/envs/nlp/lib/python3.9/site-packages/doccano_transformer/datasets.py:5
      2 import json
      3 from typing import Any, Callable, Iterable, Iterator, List, Optional, TextIO
----> 5 from doccano_transformer.examples import Example, NERExample
      8 class Dataset:
      9     def __init__(
     10         self,
     11         filepath: str,
     12         encoding: Optional[str] = 'utf-8',
     13         transformation_func: Optional[Callable[[TextIO], Iterable[Any]]] = None
     14     ) -> None:

File ~/anaconda3/envs/nlp/lib/python3.9/site-packages/doccano_transformer/examples.py:4
      1 from collections import defaultdict
      2 from typing import Callable, Iterator, List, Optional
----> 4 from spacy.gold import biluo_tags_from_offsets
      6 from doccano_transformer import utils
      9 class Example:

ModuleNotFoundError: No module named 'spacy.gold'

修复bug

根据该GitHub doccano_transformer项目的github issues和pr 给出的信息修复该bug:

要修改doccano_transformer/examples.py源码文件；
根据报错信息，确定example.py文件所在目录

File ~/anaconda3/envs/nlp/lib/python3.9/site-packages/doccano_transformer/datasets.py:5

根据报错信息，知道笔者的examples.py路径如下：
(每人的所在文件夹不同，请自行修改)

 ~/anaconda3/envs/nlp/lib/python3.9/site-packages/doccano_transformer/examples.py

按照图片所示内容进行修改即可：

• 修改点 1

  原始代码：

  from spacy.gold import biluo_tags_from_offsets
  

  修改成:

  from spacy.training import offsets_to_biluo_tags
  

• 修改点 2

  原始代码：

  tags = biluo_tags_from_offsets(tokens, label)
  

  修改成:

  tags = offsets_to_biluo_tags(tokens, label)
  

修改完上述代码，重新运行代码若继续报错，请参考【已解决】关于如何将Doccano标注的文本转换成NER模型可以直接处理的CoNLL 2003格式里面关于example.py的修改；

相关阅读

• BIO序列提取实体（NER命名实体识别）
  
  该文把BIO标注的数据，转成下述格式：

  {'string': '我是李明，我爱中国，我来自呼和浩特', 'entities': [{'word': '中国', 'type': 'loc'}, {'word': '呼和浩特', 'type': 'loc'}]}
  

参考资料

• [1] github issues https://github.com/doccano/doccano-transformer/issues/35
• [2] 该bug的PR参考 https://github.com/doccano/doccano-transformer/pull/38/files